Einfluss von Alter, Körpergröße, Körpergewicht, Body-Mass-Index, Handgriffkraft und die Steigung und Neigung auf die Bodenreaktionskräfte im Gangzyklus

Abstract

Hintergrund: Die demografische Entwicklung in Deutschland zeichnet sich durch eine Alterung der Gesellschaft aus und wird bis zum Jahr 2050 voraussichtlich um etwa 16 Prozent (%) schrumpfen (BUNDESAMT, 2015). Dementsprechend wird ein Anstieg der mindestens 65-Jährigen um 38% sowie der oberhalb 80-Jährigen um 156% prognostiziert (PETERS et al., 2010). Die Alterung von Menschen verringert deren physiologische Gleichgewichtsfähigkeit, führt zu Gangstörungen und erhöht somit das Sturzrisiko (EWAN et al., 2019). In diesem Zusammenhang ist die Analyse von Gangmustern mithilfe von Sensorschuheinlagen möglich (Baropedographie), um das Verhalten und die Aktivitäten von Menschen im täglichen Leben und von Patienten während der Rehabilitationsphase zu untersuchen. Trotz der Popularität der Baropedographie sind die charakteristischen Auswirkungen anthropometrischer und anderer individueller Parameter auf die Bodenreaktionskräfte des Gangzyklus bisher nicht bekannt. Ziel dieser Arbeit war es daher, den Zusammenhang Beziehungsweise (bzw.) die Auswirkung von Alter, Körpergewicht, Körpergröße, Handgriffkraftkraft, und der Steigung und Neigung eine Gangebene auf die Bodenreaktionskräfte bzw. den plantaren Druckverlauf während des physiologischen Gangzyklus zu evaluieren. Methoden: Die Daten der vorliegenden Arbeit zur Belastungs- und Ganganalyse wurden im Sinne einer prospektiven-Interventionsstudie in einem Querschnittdesign erhoben. Gangdaten (n= 40) und anthropometrische Daten (Alter, Körpergröße, Körpergewicht, Body-Mass-Index [BMI]) sowie die maximale Handgriffkraft; n= 37) wurden von ganggesunden Probanden, welche Hilfsmittelfrei gehen konnten, erhoben. Die Gangdaten wurden mittels kalibrierter Sensorschuheinlage über 16 Drucksensoren pro Sohle und mit einer Aufzeichnungsfrequenz von 100 Hertz (Hz) erhoben. Die Teilnehmer gingen hierzu auf einem Laufband mit 4 km/h jeweils eine Minute lang in den folgenden Steigungen: -20, -15, -10, -5, 0, 5, 10, 15 und 20 %. Die entstandenen Rohdaten wurden für die weitere Datenverarbeitung mit einem eigens entwickelten Algorithmus zur Stufenerkennung auf Basis der typischen M-förmigen Gangzykluskurve mit 9 verschiedenen, etablierten Parametern vgl. (LARSEN et al., 2008) verarbeitet und zusammen mit den anthropometrischen Daten der Probanden geprüft, formatiert und interpoliert. Die Daten wurden mithilfe linearer Regression und Korrelationsanalysen statistisch ausgewertet. Ergebnisse: Das mittlere Alter der Probanden betrug 43,65 ± 17,59 Jahre. Die mittlere Körpergröße der Probanden lag bei 173,70 ± 11,22 cm, das Körpergewicht lag im Mittel bei 79,81 ± 27,85 kg. Die maximale Handgriffkraft am dominanten Arm betrug im Mittel 35,41 ± 12,46 kg und die Probanden hatten einen BMI von 22,78 ± 7,04 kg/m2. Das Alter zeigte eine negative Korrelation mit der initialen Steigung der Gangzykluskurve (loading slope). Die Körpergröße korrelierte mit der Kraft zwischen dem Beginn der Belastungsphase und einem der Maxima-Punkte in der Gangzykluskurve (Fmeanload) und dem loading slope. Das Körpergewicht und der BMI korrelierten mit allen analysierten Parametern, mit Ausnahme des loading slope. Die Handgriffkraft korrelierte mit Veränderungen in der zweiten Hälfte der Standphase und hatte keinen Einfluss auf die erste Hälfte der Standphase, was wahrscheinlich auf einen stärkeren Abstoß während des Gangzyklus zurückzuführen ist. Allerdings können nur bis zu 46 % der Variabilität durch Alter, Körpergewicht, Größe, BMI und Handgriffkraft erklärt werden. Es müssen also weitere Faktoren die Gangzykluskurve beeinflussen, als die in der vorliegenden Arbeit analysierten Parameter. Zusätzlich wurden durch die Steigung und Neigung der Gangebene signifikante Veränderungen für die Belastungskräfte während der initialen Steigung und des Gefälles am Ende der Gangzykluskurve (loading und unloading slope) (je p <0,001) festgestellt. Schlussfolgerungen: In der vorliegenden Studie wurde nachgewiesen, dass Alter, Körpergröße, Körpergewicht, BMI und die Handgriffkraft die Gangzykluskurve auf charakteristische Weise beeinflussen, jedoch nur 46 Prozent der Variabilität eines Gangzyklus erklären. Es konnten zudem charakteristische Veränderungen in der plantaren Druckverteilung während der Gangzykluskurve identifiziert werden, die das Bergauf- und Bergabgehen erstmals konkret charakterisieren. Hierdurch können Veränderungen der Gangzykluskurve systematisch erfasst und individualisiert werden. Dies könnte perspektivisch auch für die klinische Anwendung bei Patienten mit verändertem Gangbild zum Beispiel (z. B.) nach Verletzungen der unteren Extremität prospektiv genutzt werden. Hierzu sollten durch automatisierte Annotation und kontinuierliche Analyse von Gangdaten künftig verbesserte Rehabilitations- und Feedbacksysteme zur Prävention und Behandlung von Patienten entwickelt werden. Eine Kombination aus bekannten Regressionsstatistiken im Kontext der Heuristik gepaart mit Methoden der künstlichen Intelligenz sind hierzu notwendig, um das Potenzial dieser vielversprechenden Anwendungen weiter auszuschöpfen.

Background: The demographic trend in Germany is characterized by an ageing society and is expected to shrink by around 16% by 2050 (BUNDESAMT, 2015). Accordingly, an increase of 38% in the over-65s and 156% in the over-80s is forecast (PETERS et al., 2010). The ageing of people reduces their physiological ability to balance, leads to gait disorders and thus increases the risk of falling (EWAN et al., 2019). In this context, the analysis of gait patterns using sensor shoe insoles (baropedography) is possible to investigate the behavior and activities of people in daily life and of patients during the rehabilitation phase. Despite the popularity of baropedography, the characteristic effects of anthropometric and other individual parameters on the ground reaction forces of the gait cycle are not yet known. The aim of this study was therefore to evaluate the relationship or effect of age, body weight, height, handgrip strength, and the slope and inclination of a gait plane on ground reaction forces or plantar pressure progression during the physiological gait cycle. Methods: The data of the present study on load and gait analysis were collected in the sense of a prospective intervention study in a cross-sectional design. Gait data (n= 40) and anthropometric data (age, height, body weight, BMI) as well as maximum grip strength (n= 37) were collected from healthy subjects who were able to walk without assistance. The gait data were collected using calibrated sensor insoles with 16 pressure sensors per sole and a recording frequency of 100 Hz. The participants walked on a treadmill at 4 km/h for one minute at the following inclines: -20, -15, -10, -5, 0, 5, 10, 15 and 20 %. The resulting raw data was processed for further data processing using a specially developed algorithm for stance recognition based on the typical M-shaped gait cycle curve with 9 different established parameters compared to (LARSEN et al., 2008) and checked, formatted and interpolated together with the anthropometric data of the test subjects. The data were statistically analyzed using linear regression and correlation analyses. Results: The mean age of the test participants was 43.65 ± 17.59 years. The mean height of the participants was 173.70 ± 11.22 cm, the mean body weight was 79.81 ± 27.85 kg. The maximum grip strength on the dominant arm was on average 35.41 ± 12.46 kg and the subjects had a BMI of 22.78 ± 7.04 kg/m². Age showed a negative correlation with the initial slope of the gait cycle curve (loading slope). Body height correlated with the force between the start of the loading phase and one of the maximum points in the gait cycle curve (Fmeanload) and the loading slope. Body weight and BMI correlated with all analyzed parameters, with the exception of loading slope. Handgrip strength correlated with changes in the second half of the stance phase and had no influence on the first half of the stance phase, which is probably due to a stronger push-off during the gait cycle. However, only up to 46 % of the variability can be explained by age, body weight, height, BMI and handgrip strength. There must therefore be other factors influencing the gait cycle curve than the parameters analyzed in this study. In addition, the slope and incline of the gait level were found to cause significant changes in the loading forces during the initial slope and the slope at the end of the gait cycle curve (loading and unloading slope) (each p <0.001). Conclusion: The present study demonstrated that age, height, body weight, BMI and handgrip strength influence the gait cycle curve in a characteristic way, but explain only 46 % of the variability of a gait cycle. In addition, characteristic changes in the plantar pressure distribution during the gait cycle curve were identified, which for the first time characterize uphill and downhill walking. This allows changes in the gait cycle curve to be systematically recorded and individualized. In the future, this could also be used prospectively for clinical application in patients with altered gait patterns, for example after lower limb injuries. To this end, automated annotation and continuous analysis of gait data should be used to develop improved rehabilitation and feedback systems for the prevention and treatment of patients in the future. A combination of known regression statistics in the context of heuristics paired with methods of artificial intelligence are necessary to further exploit the potential of these promising applications.